이 논문은 정치 토론에서 허위 논증(오류, fallacy)을 자동으로 탐지·분류하려면 텍스트 표면만으로는 부족하고 주제에 대한 배경지식과 논증 간 관계에 대한 지식이 필요하다는 문제의식에서 출발한다. 기존 연구는 논증 담화 구조를 정적인 분류기 피처로만 활용해 유연성이 떨어졌던 반면, 이 연구는 논증 간 지지·공격 관계를 활용해 관련 문서 검색을 동적으로 유도하는 가이드형 검색증강생성(RAG) 방법론을 제안한다. 정치 관련 문서 15GB로 구성된 지식베이스를 대상으로 ElecDeb60to20 벤치마크에서 42가지 검색 설정과 14개 모델 조합으로 평가한 결과, 검색을 활용하지 않는 기준선 대비 오류 탐지에서는 매크로 F1 최대 0.864, 분류에서는 최대 0.725까지 성능을 끌어올렸다. 논증적으로 유도된 검색이 결합될 때 외부 지식이 오류 탐지·분류 성능을 크게 향상시킨다는 것을 보여준다.

• •논증 간 지지·공격 관계로 검색을 동적으로 유도하는 가이드형 RAG 방법론 제안
• •15GB 규모 정치 문서 지식베이스, ElecDeb60to20 벤치마크에서 42개 검색 설정 x 14개 모델 평가
• •오류 탐지 매크로 F1 최대 0.864, 분류 매크로 F1 최대 0.725로 비검색 기준선 대비 향상
• •정적 피처가 아닌 동적 논증 유도 검색이 고위험 정치 담론 분석에 유효함을 실증